אימות מודל ניתוח מודל Tensorflow

סקירה כללית

TFMA תומך באימות מודל ידי הגדרת ספי ערך סף שינוי המבוססים על המדדים הנתמכים .

תְצוּרָה

GenericValueThreshold

סף ערך שימושי כדי להגדיר את המודל המועמד על ידי בדיקה אם המדדים המתאימים גדולים מגבול תחתון ו/או קטן מגבול עליון. המשתמש יכול להגדיר אחד מהערכים התחתון והגבולי העליון או את שניהם. ה-lower_bound הוא ברירת המחדל לאינסוף שלילי אם אינו מוגדר, וה-upper_bound הוא ברירת המחדל לאינסוף אם אינו מוגדר.

import tensorflow_model_analysis as tfma

lower_bound = tfma.GenericValueThreshold(lower_bound={'value':0})
upper_bound = tfma.GenericValueThreshold(upper_bound={'value':1})
lower_upper_bound = tfma.GenericValueThreshold(lower_bound={'value':0},
                                               upper_bound={'value':1))

GenericChangeThreshold

סף שינוי שימושי כדי להגדיר את המודל המועמד על ידי בדיקה אם המדד המתאים גדול/קטן יותר מזה של מודל בסיס. ישנן שתי דרכים שבהן ניתן למדוד את השינוי: שינוי מוחלט ושינוי יחסי. Aboslute שינוי מחושב כיחס בין diference הערך בין המדדים של המודל המועמד ואת הבסיס, כלומר, v_c - v_b שבו v_c מציין את הערך, המועמד ואת v_b מציין את הערך הבסיסי. ערך יחסית ההבדל היחסי בין מטרי של המועמד ואת הבסיס, כלומר, v_c / v_b. הסף המוחלט והיחסי יכולים להתקיים במקביל למודל השער לפי שני הקריטריונים. מלבד הגדרת ערכי סף, המשתמש צריך גם להגדיר את ה- MetricDirection. עבור מדדים עם ערכים גבוהים לטובה (למשל, AUC), הגדר את הכיוון ל- HIGHER_IS_BETTER, עבור מדדים עם ערכים נמוכים יותר (למשל, הפסד), הגדר את הכיוון ל-LOWER_IS_BETTER. ספי שינוי מחייבים להעריך מודל בסיס יחד עם המודל המועמד. ראה מדריך תחילת עבודה עבור דוגמה.

import tensorflow_model_analysis as tfma

absolute_higher_is_better = tfma.GenericChangeThreshold(absolute={'value':1},
                                                        direction=tfma.MetricDirection.HIGHER_IS_BETTER)
absolute_lower_is_better = tfma.GenericChangeThreshold(absolute={'value':1},
                                                       direction=tfma.MetricDirection.LOWER_IS_BETTER)
relative_higher_is_better = tfma.GenericChangeThreshold(relative={'value':1},
                                                        direction=tfma.MetricDirection.HIGHER_IS_BETTER)
relative_lower_is_better = tfma.GenericChangeThreshold(relative={'value':1},
                                                       direction=tfma.MetricDirection.LOWER_IS_BETTER)
absolute_and_relative = tfma.GenericChangeThreshold(relative={'value':1},
                                                    absolute={'value':0.2},
                                                    direction=tfma.MetricDirection.LOWER_IS_BETTER)

לחבר דברים ביחד

הדוגמה הבאה משלבת ספי ערך ושינוי:

import tensorflow_model_analysis as tfma

lower_bound = tfma.GenericValueThreshold(lower_bound={'value':0.7})
relative_higher_is_better =
    tfma.GenericChangeThreshold(relative={'value':1.01},
                                direction=tfma.MetricDirection.HIGHER_IS_BETTER)
auc_threshold = tfma.MetricThreshold(value_threshold=lower_bound,
                                     change_threshold=relative_higher_is_better)

ייתכן שיהיה קריא יותר לרשום את התצורה בפורמט פרוטו:

from google.protobuf import text_format

auc_threshold = text_format.Parse("""
  value_threshold { lower_bound { value: 0.6 } }
  change_threshold { relative { value: 1.01 } }
""", tfma.MetricThreshold())

ניתן להגדיר את ה-MetricThreshold ל-gate על מדדי זמן אימון של מודל (EvalSavedModel או מודל שמור של Keras) וגם מדדי Post Training (מוגדרים בתצורת TFMA). עבור מדדי זמן אימון, הספים מצוינים ב-tfma.MetricsSpec:

metrics_spec = tfma.MetricSpec(thresholds={'auc': auc_threshold})

עבור מדדים לאחר אימון, ספים מוגדרים ישירות ב-tfma.MetricConfig:

metric_config = tfma.MetricConfig(class_name='TotalWeightedExample',
                                  threshold=lower_bound)

הנה דוגמה יחד עם ההגדרות האחרות ב-EvalConfig:

# Run in a Jupyter Notebook.
from google.protobuf import text_format

eval_config = text_format.Parse("""
  model_specs {
    # This assumes a serving model with a "serving_default" signature.
    label_key: "label"
    example_weight_key: "weight"
  }
  metrics_spec {
    # Training Time metric thresholds
    thresholds {
      key: "auc"
      value: {
        value_threshold {
          lower_bound { value: 0.7 }
        }
        change_threshold {
          direction: HIGHER_IS_BETTER
          absolute { value: -1e-10 }
        }
      }
    }
    # Post Training metrics and their thesholds.
    metrics {
      # This assumes a binary classification model.
      class_name: "AUC"
      threshold {
        value_threshold {
          lower_bound { value: 0 }
        }
      }
    }
  }
  slicing_specs {}
  slicing_specs {
    feature_keys: ["age"]
  }
""", tfma.EvalConfig())

eval_shared_models = [
  tfma.default_eval_shared_model(
      model_name=tfma.CANDIDATE_KEY,
      eval_saved_model_path='/path/to/saved/candiate/model',
      eval_config=eval_config),
  tfma.default_eval_shared_model(
      model_name=tfma.BASELINE_KEY,
      eval_saved_model_path='/path/to/saved/baseline/model',
      eval_config=eval_config),
]

eval_result = tfma.run_model_analysis(
    eval_shared_models,
    eval_config=eval_config,
    # This assumes your data is a TFRecords file containing records in the
    # tf.train.Example format.
    data_location="/path/to/file/containing/tfrecords",
    output_path="/path/for/output")

tfma.view.render_slicing_metrics(eval_result)
tfma.load_validation_result(output_path)

תְפוּקָה

בנוסף לפלט של קובץ המדדים על ידי המעריך, כאשר נעשה שימוש בוולידציה, מופק גם קובץ "וולידציות" נוסף. פורמט המטען הוא ValidationResult . הפלט יהיה "validation_ok" מוגדר כ-True כאשר אין כשלים. כאשר יש כשלים, מסופק מידע על המדדים המשויכים, הספים והערכים המטריים שנצפו. להלן דוגמה שבה "ספירת_examle_weighted" נכשלת בסף ערך (1.5 אינו קטן מ-1.0, ובכך הכשל):

  validation_ok: False
  metric_validations_per_slice {
    failures {
      metric_key {
        name: "weighted_example_count"
        model_name: "candidate"
      }
      metric_threshold {
        value_threshold {
          upper_bound { value: 1.0 }
        }
      }
      metric_value {
        double_value { value: 1.5 }
      }
    }
  }